CN112529390A - 任务分配方法、装置、计算机设备和存储介质 - Google Patents

任务分配方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112529390A
CN112529390A CN202011405908.2A CN202011405908A CN112529390A CN 112529390 A CN112529390 A CN 112529390A CN 202011405908 A CN202011405908 A CN 202011405908A CN 112529390 A CN112529390 A CN 112529390A
Authority
CN
China
Prior art keywords
task
neural network
twin neural
layers
feature extraction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011405908.2A
Other languages
English (en)
Inventor
张俊杰
满天龙
王振明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Ping An Medical Health Technology Service Co Ltd
Original Assignee
Ping An Medical and Healthcare Management Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Medical and Healthcare Management Co Ltd filed Critical Ping An Medical and Healthcare Management Co Ltd
Priority to CN202011405908.2A priority Critical patent/CN112529390A/zh
Publication of CN112529390A publication Critical patent/CN112529390A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/355—Class or cluster creation or modification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及人工智能技术领域，提供一种任务分配方法、装置、计算机设备和存储介质，获取待分配任务集合中各任务的标签信息，并基于标签信息生成各个任务的任务标签向量；获取各个众包用户的个体标签信息，并基于各个个体标签信息生成各个众包用户的个体标签向量；将每个任务标签向量与每个个体标签向量分别由不同的输入端输入至预设的派单孪生神经网络中，计算得到任务与每个众包用户的匹配度；确定出与任务对应的匹配度最高的众包用户作为目标众包用户；将所述任务分配至对应的所述目标众包用户。本申请通过派单孪生神经网络计算得到与任务最匹配的众包用户，从而实现精准分配任务，提高效率。

Description

任务分配方法、装置、计算机设备和存储介质
技术领域
本申请涉及人工智能技术领域，特别涉及一种任务分配方法、装置、计算机设备和存储介质。
背景技术
核赔调查系统是保险理赔的重要环节，对于是否理赔提供重要依据。传统的核赔调查系统中，业务人员需要根据自己丰富的经验制定调查任务；同时，业务人员凭借自己的记忆将调查任务分配给相应的众包人员，分配不精准，效率低下；无法分配至最匹配的众包人员，使得分配的众包人员不能很好的保证调查质量。最后在众包完成任务后，复审时同样需要专业素养很高的业务人员才能完成，且十分耗时，造成效率低下。
发明内容
本申请的主要目的为提供一种任务分配方法、装置、计算机设备和存储介质，旨在克服目前分配任务时无法分配至最匹配的众包人员的缺陷。
为实现上述目的，本申请提供了一种任务分配方法，包括以下步骤：
获取待分配任务集合中各任务的标签信息，并基于所述标签信息生成各个所述任务的任务标签向量；
获取各个众包用户的个体标签信息，并基于各个所述个体标签信息生成各个所述众包用户的个体标签向量；
将每个所述任务标签向量与每个所述个体标签向量分别由不同的输入端输入至预设的派单孪生神经网络中，基于所述派单孪生神经网络计算得到所述任务与每个所述众包用户的匹配度；其中，所述预设的派单孪生神经网络包括两个输入端；
确定出与所述任务对应的匹配度最高的众包用户作为目标众包用户；
将所述任务分配至对应的所述目标众包用户进行调查。
进一步地，所述获取待分配任务集合中各任务的标签信息的步骤之前，还包括：
接收发单数据；所述发单数据包括图片数据以及文本数据，所述文本数据中包括委托事项；
基于OCR系统对所述图片数据进行识别得到识别结果，并基于随机森林模型从所述识别结果中识别得到第一任务集合；
基于预设的语义分类孪生神经网络对所述文本数据中的委托事项进行识别，得到第二任务集合；其中，所述语义分类孪生神经网络基于孪生神经网络训练得到；输入所述语义分类孪生神经网络的数据包括委托事项以及对应的标准任务；
将所述第一任务集合与所述第二任务集合进行合并，并进行去重处理，得到所述待分配任务集合。
进一步地，所述将所述任务分配至对应的所述目标众包用户进行调查的步骤之后，包括：
获取所述目标众包用户对所述任务的调查结果；
基于预设的打分孪生神经网络，对所述任务的调查结果进行打分，得到打分分值；
判断所述打分分值是否大于阈值；
若不大于，则确定需要对所述调查结果进行复核；若大于，则确定不需要对所述调查结果进行复核。
进一步地，所述基于预设的打分孪生神经网络，对所述任务的调查结果进行打分，得到打分分值的步骤，包括：
获取与所述任务对应的标准任务；
将所述调查结果由所述打分孪生神经网络的一个输入端输入，将所述标准任务由所述打分孪生神经网络的另一个输入端输入，并基于所述打分孪生神经网络输出得到所述调查结果与所述标准任务之间的匹配度；
将所述匹配度作为对所述任务的调查结果的打分分值。
进一步地，所述派单孪生神经网络包括两个第一输入端，以及两个结构相同的第一特征提取模块、一个第一分类模块以及一个第一sigmoid层；
两个第一输入端分别用于输入任务标签向量以及个体标签向量，且每个所述第一输入端连接一个第一特征提取模块；
两个所述第一特征提取模块的结构均包括3层16维度全连接层、3层归一化层以及3层线性整流函数层，用于分别对所述任务标签向量以及个体标签向量进行特征提取；
所述第一分类模块为2维度全连接层，用于对两个所述特征提取模块的输出融合后进行特征提取；
所述第一sigmoid层用于对所述第一分类模块的输出特征进行匹配度计算。
进一步地，所述语义分类孪生神经网络包括判断模块、两个词嵌入层、两个BERT层、两个结构相同的第二特征提取模块、一个第二分类模块以及一个第二sigmoid层；每个词嵌入层连接一个第二特征提取模块；
其中，一个所述词嵌入层以及一个BERT层分别用于输入所述委托事项，所述委托事项经过词嵌入层提取词向量后输入至对应的所述第二特征提取模块，得到第一特征，且所述委托事项经过所述BERT层的特征提取之后得到第二特征，所述第一特征与所述第二特征进行特征融合得到第一融合特征；
另一个所述词嵌入层以及另一个BERT层分别用于输入所述标准任务；所述标准任务经过词嵌入层提取词向量后输入至对应的所述第二特征提取模块，得到第三特征，且所述标准任务经过所述BERT层的特征提取之后得到第四特征，所述第三个字与所述第四特征进行特征融合得到第二融合特征；
所述第二分类模块用于对所述第一融合特征以及所述第二融合特征再次融合后，进行特征提取；
所述第二sigmoid层用于对所述第二分类模块的输出特征进行匹配度计算；
所述判断模块用于判断所述匹配度是否大于预设值，若匹配度大于预设值，则判定所述委托事项中包括所述标准任务。
进一步地，两个所述第二特征提取模块的结构均包括3层16维度全连接层、3层归一化层以及3层线性整流函数层，所述第二分类模块为2维度全连接层。
本申请还提供了一种任务分配装置，包括：
第一获取单元，用于获取待分配任务集合中各任务的标签信息，并基于所述标签信息生成各个所述任务的任务标签向量；
第二获取单元，用于获取各个众包用户的个体标签信息，并基于各个所述个体标签信息生成各个所述众包用户的个体标签向量；
计算单元，用于将每个所述任务标签向量与每个所述个体标签向量分别由不同的输入端输入至预设的派单孪生神经网络中，基于所述派单孪生神经网络计算得到所述任务与每个所述众包用户的匹配度；其中，所述预设的派单孪生神经网络包括两个输入端；
确定单元，用于确定出与所述任务对应的匹配度最高的众包用户作为目标众包用户；
分配单元，用于将所述任务分配至对应的所述目标众包用户进行调查。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请提供的任务分配方法、装置、计算机设备和存储介质，获取待分配任务集合中各任务的标签信息，并基于所述标签信息生成各个所述任务的任务标签向量；获取各个众包用户的个体标签信息，并基于各个所述个体标签信息生成各个所述众包用户的个体标签向量；将每个所述任务标签向量与每个所述个体标签向量分别由不同的输入端输入至预设的派单孪生神经网络中，计算得到所述任务与每个所述众包用户的匹配度；确定出与所述任务对应的匹配度最高的众包用户作为目标众包用户；将所述任务分配至对应的所述目标众包用户进行调查。本申请通过派单孪生神经网络计算得到与任务最匹配的众包用户，从而实现精准分配任务，提高效率。
附图说明
图1是本申请一实施例中任务分配方法步骤示意图；
图2是本申请另一实施例中任务分配方法步骤示意图；
图3是本申请又一实施例中任务分配方法步骤示意图；
图4是本申请一实施例中任务分配装置结构框图；
图5为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请一实施例中提供了一种任务分配方法，包括以下步骤：
步骤S1，获取待分配任务集合中各任务的标签信息，并基于所述标签信息生成各个所述任务的任务标签向量；
步骤S2，获取各个众包用户的个体标签信息，并基于各个所述个体标签信息生成各个所述众包用户的个体标签向量；
步骤S3，将每个所述任务标签向量与每个所述个体标签向量分别由不同的输入端输入至预设的派单孪生神经网络中，基于所述派单孪生神经网络计算得到所述任务与每个所述众包用户的匹配度；其中，所述预设的派单孪生神经网络包括两个输入端；
步骤S4，确定出与所述任务对应的匹配度最高的众包用户作为目标众包用户；
步骤S5，将所述任务分配至对应的所述目标众包用户进行调查。
在本实施例中，上述方法应用于分配任务的场景中，为每一项任务分配最匹配的众包人员进行任务的调查处理。其中众包人员为专门处理上述任务的人员，不同众包人员对处理不同任务的转确定具有差异。上述方法还可应用于智慧城市领域中，以推动智慧城市的建设。
如上述步骤S1所述的，上述待分配任务集合中的任务为待众包人员进行调查的任务。在本实施例中，设置有检索模型，该检索模型基于关键词检索，从所述待分配任务集合中提取与任务相关的需要被调查标签信息，上述标签信息为区域或机构等信息，如医院、体检机构、工作单位等。本实施例中，采用上述检索模型，替代人工，提升效率。
上述标签信息包括多个维度，其所有维度均可以由虚变量(dummy variable)表达，将每个上述标签信息表达为一个虚变量，例如标签信息为区域，其中深圳区域表达为虚变量“1”，而非深圳区域则表达为虚变量“0”。每个标签信息作为一个维度，每个标签信息采用一个虚变量进行表达；进而将所有的标签信息对应的虚变量构成一个向量集，得到上述任务标签向量。通常上述标签信息的维度为3，因此，该任务标签向量可以是一个3维变量。
如上述步骤S2所述的，上述个体标签信息包括众包用户的个人信息，偏好，历史接单情况的具体内容，众包用户的个体标签信息包括多个维度，其所有维度均可以由虚变量(dummy variable)表达，将每个个体标签信息作为一个维度，每个个体标签信息表达为一个虚变量。进而将所有的个体标签信息对应的虚变量构成一个向量集，得到上述个体标签向量，该个体标签向量可以是一个10维向量。
如上述步骤S3-S5所述的，上述派单孪生神经网络包括两个输入端口，其中一个输入端口输入上述个体标签向量，另一个输入端口输入上述任务标签向量。经过上述派单孪生神经网络计算得到所述第三任务集合中任务与每个所述众包用户的匹配度，进而确定出与所述任务对应的匹配度最高的众包用户作为目标众包用户。
在本实施例中，将上述任务分配至匹配度最高的众包用户，使得分配任务的精准度高，有利于分配至最适合的众包人员，提升处理效率以及调查任务的准确率。在一实施例中，若众包用户拒接上述任务，则分配至次相关(匹配度第二)众包用户。
在一实施例中，如图2所示，所述获取待分配任务集合中各任务的标签信息的步骤S1之前，还包括：
步骤S10，接收发单数据；所述发单数据包括图片数据以及文本数据，所述文本数据中包括委托事项；
步骤S11，基于OCR系统对所述图片数据进行识别得到识别结果，并基于随机森林模型从所述识别结果中识别得到第一任务集合；
步骤S12，基于预设的语义分类孪生神经网络对所述文本数据中的委托事项进行识别，得到第二任务集合；其中，所述语义分类孪生神经网络基于孪生神经网络训练得到；输入所述语义分类孪生神经网络的数据包括委托事项以及对应的标准任务；
步骤S13，将所述第一任务集合与所述第二任务集合进行合并，并进行去重处理，得到所述待分配任务集合。
在本实施例中，如上述步骤S10所述的，上述发单数据的发单方式主要分为两类：自动发单和人工发单。其中，自动发单由委托公司(保险公司)通过网络服务接口直接传入发单数据至本智能核赔平台；人工发单由本公司运营人员从系统页面上传相关发单数据。上述发单数据包括图片数据以及文本数据，其中图片数据包括但不限于身份证、理赔申请书，疾病病历等图片，上述文本数据包括委托事项及其他需求等，上述委托事项中包括有委托公司提供的调查任务描述。
在本实施例中，集成有OCR系统以及语义分析系统，其中OCR系统用于针对上述图片数据进行识别处理，并从中识别出任务集合；语义分析系统用于对上述文本数据进行分析处理，并从中识别出任务集合。
如上述步骤S11所述的，上述OCR系统由EAST检测网络模型(场景文字检测网络模型)和CRNN识别模型构成；上述随机森林模型预先训练得到，用于预测结构化数据中的任务。
在本实施例中，具体的处理流程如下：(1)OCR系统从图像数据中提取涉及理赔的用户信息、就诊信息、保险信息等字段，并以结构化形式存储得到结构化数据。(2)通过粗糙集模型自动从结构化数据中提取关键字段，剔除不必要的字段。其中，粗糙集模型是一种特征降维的数学理论，剔除冗余特征，保留有效特征。目前由对应的RosettaRoughSet(粗糙集软件)对高维数据进行降维处理，减少计算复杂度，提升整个核赔系统运行效率。(3)采用(2)中处理后的结构化数据输入至随机森林模型中，预测得到上述结构化数据中的任务，将任务的集合作为所述第一任务集合。
上述随机森林模型在训练时，采用结构化数据进行训练，在此不进行赘述。
如上述步骤S12所述的，上述语义分类孪生神经网络预先基于孪生神经网络训练得到，上述孪生神经网络加入了BERT层(预训练模型)，在embedding层(嵌入层)加入了参数共享，有利于训练收敛与效果提升。上述委托事项中的任务需要出现在任务集合中，因此需要对其进行识别。在本实施例中，为了将上述委托事项中的任务与标准任务库中的标准任务进行对应。采用上述语义分类孪生神经网络，进行任务标准化工作。
具体地，将上述委托事项与标准任务进行向量化之后，送入到语义分类孪生神经网络中，上述语义分类孪生神经网络不断缩短向量长度，最后输出0或1的分类结果。其中，1为在上述委托事项中匹配到标准任务，0为在上述委托事项中未匹配到标准任务。若输出分类结果为1，则从上述委托事项中提取出任务，并组成第二任务集合。
如上述步骤S13所述的，上述第一任务集合与上述第二任务集合中具有一些重复的任务，因此，需要进行去重处理，例如，可根据调查价格总额限制、调查任务不得重复等条件进行去重。
具体地，将第一任务集合与第二任务集合进行合并，得到任务集合，并采用关键词匹配，在任务集合中匹配出重复的任务，并将任务集合中重复的任务删除。
参照图3，在一实施例中，上述将所述任务分配至对应的所述目标众包用户进行调查的步骤S5之后，包括：
步骤S6，获取所述目标众包用户对所述任务的调查结果；上述调查结果由目标众包用户人工进行调查，目标众包用户对任务进行调查之后，将调查结果通过终端进行反馈。
步骤S7，基于预设的打分孪生神经网络，对所述任务的调查结果进行打分，得到打分分值；
步骤S8，判断所述打分分值是否大于阈值；
步骤S9，若不大于，则确定需要对所述调查结果进行复核；若大于，则确定不需要对所述调查结果进行复核。
具体地，所述基于预设的打分孪生神经网络，对所述任务的调查结果进行打分，得到打分分值的步骤S7，包括：
获取与所述任务对应的标准任务；在预设的标准任务数据库中存储有各个标准任务，上述标准任务中包括标准任务的具体任务描述、调查结果等。上述任务集合中的任务是非标准任务，采用关键词识别，从上述标准任务数据库中获取与上述任务对应的标准任务，上述标准任务作为一个参考任务。
将所述调查结果由所述打分孪生神经网络的一个输入端输入，将所述标准任务由所述打分孪生神经网络的另一个输入端输入，并基于所述打分孪生神经网络输出得到所述调查结果与所述标准任务之间的匹配度；
将所述匹配度作为对所述任务的调查结果的打分分值。
在本实施例中，上述调查结果由众包用户作出，因此需要进行复核。在本实施例中，利用孪生神经网络对上述调查结果进行打分，得出每一个调查结果的打分，对于大于设定阈值的调查结果，直接通过并传回委托公司；对于小于设定阈值的调查结果，则由人工二次复核，复核调查要求则通过并传回委托公司，不符合调查要求的任务则退回至相关众包用户补充调查信息。
在本实施例中，上述孪生神经网络训练得到打分孪生神经网络时，输入数据是两个，其中一个是调查结果数据，另一个是标准任务。调查结果完成好的，标签为1，否则为0。上述孪生神经网络训练好之后，用来预测调查结果的打分。
在基于打分孪生神经网络对所述调查结果进行打分时，打分孪生神经网络的输入依然是调查结果与标准任务，基于打分孪生神经网络的sigmoid输出调查结果与标准任务的匹配度，上述匹配度为0-1之间的数值，上述匹配度即作为对上述调查结果的打分。当调查结果贴近于好的调查任务时，输出的打分分值会趋近于1。而当上述sigmoid输出的值大于设定阈值时，此时，则不需要复核，输出的标签“1”；若上述sigmoid输出的值小于设定阈值时，此时需要复核，输出的标签“0”。
在一实施例中，上述派单孪生神经网络包括第一输入端，以及两个结构相同的第一特征提取模块、一个第一分类模块以及一个第一sigmoid层；
两个第一输入端分别用于输入任务标签向量以及个体标签向量，且每个所述第一输入端连接一个第一特征提取模块；
两个所述第一特征提取模块的结构均包括3层16维度全连接层、3层归一化层以及3层线性整流函数层(relu层)，用于分别对所述任务标签向量以及个体标签向量进行特征提取；
所述第一分类模块为2维度全连接层，用于对两个所述特征提取模块的输出融合后进行特征提取；
所述第一sigmoid层用于对所述分类模块的输出特征进行匹配度计算。
在本实施例中，上述派单孪生神经网络的模型训练过程中使用交叉熵作为损失函数。
在一实施例中，孪生神经网络的结构包括两个输入端口，每个输入端口分别依次连接词嵌入层(Embedding层)、全连接层、归一化层、激活层，两个激活层进行融合之后依次连接一个全连接层、sigmoid层。在本实施例中，上述语义分类孪生神经网络基于上述孪生神经网络进行改进，加入了BERT层(预训练模型)，在embedding层(嵌入层)加入了参数共享，有利于训练收敛与效果提升。
具体地，所述语义分类孪生神经网络包括判断模块、两个词嵌入层、两个BERT层、两个结构相同的第二特征提取模块、一个第二分类模块以及一个第二sigmoid层；每个词嵌入层连接一个第二特征提取模块；
其中，一个所述词嵌入层以及一个BERT层分别用于输入所述委托事项，所述委托事项经过词嵌入层提取词向量后输入至对应的所述第二特征提取模块，得到第一特征，且所述委托事项经过所述BERT层的特征提取之后得到第二特征，所述第一特征与所述第二特征进行特征融合得到第一融合特征；
另一个所述词嵌入层以及另一个BERT层分别用于输入所述标准任务；所述标准任务经过词嵌入层提取词向量后输入至对应的所述第二特征提取模块，得到第三特征，且所述标准任务经过所述BERT层的特征提取之后得到第四特征，所述第三个字与所述第四特征进行特征融合得到第二融合特征；
所述第二分类模块用于对所述第一融合特征以及所述第二融合特征再次融合后，进行特征提取；
所述第二sigmoid层用于对所述第二分类模块的输出特征进行匹配度计算；
所述判断模块用于判断所述匹配度是否大于预设值，若匹配度大于预设值，则判定所述委托事项中包括所述标准任务。
在本实施例中，两个所述第二特征提取模块的结构均包括3层16维度全连接层、3层归一化层以及3层线性整流函数层，所述第二分类模块为2维度全连接层。
在上述实施例中，通过OCR精准信息提取，任务智能拆解、调查任务与众包人员优化匹配、调查结果自动打分复核，整个系统智能化程度高，存在较低的人工介入。集成粗糙集的随机森林可以对结构化的特征数据进行高效合理的降维处理，避免低相关性特征造成信息干扰及特征维度过高造成分析效率降低，同时，深度学习与随机森林的结合可以兼具神经网络高效的特征分析能力和树类模型优良的可解释性，一方面有利于模型的训练、预测精度的提升，另一方面有利于向业务人员提供任务拆解的合理解释，便于发现问题，纠正问题。任务与众包人员优化匹配，精准派单，降低拒单率，节约了调查成本。调查结果自动打分复核，节省了大量复审人员人力。
参照图4，本申请一实施例中还提供了一种任务分配装置，包括：
第一获取单元10，用于获取待分配任务集合中各任务的标签信息，并基于所述标签信息生成各个所述任务的任务标签向量；
第二获取单元20，用于获取各个众包用户的个体标签信息，并基于各个所述个体标签信息生成各个所述众包用户的个体标签向量；
计算单元30，用于将每个所述任务标签向量与每个所述个体标签向量分别由不同的输入端输入至预设的派单孪生神经网络中，基于所述派单孪生神经网络计算得到所述任务与每个所述众包用户的匹配度；其中，所述预设的派单孪生神经网络包括两个输入端；
确定单元40，用于确定出与所述任务对应的匹配度最高的众包用户作为目标众包用户；
分配单元50，用于将所述任务分配至对应的所述目标众包用户进行调查。
在一实施例中，上述任务分配装置，还包括：
接收单元，用于接收发单数据；所述发单数据包括图片数据以及文本数据，所述文本数据中包括委托事项；
第一识别单元，用于基于OCR系统对所述图片数据进行识别得到识别结果，并基于随机森林模型从所述识别结果中识别得到第一任务集合；
第二识别单元，用于基于预设的语义分类孪生神经网络对所述文本数据中的委托事项进行识别，得到第二任务集合；其中，所述语义分类孪生神经网络基于孪生神经网络训练得到；输入所述语义分类孪生神经网络的数据包括委托事项以及对应的标准任务；
合并单元，用于将所述第一任务集合与所述第二任务集合进行合并，并进行去重处理，得到所述待分配任务集合。
在一实施例中，上述任务分配装置，还包括：
结果获取单元，用于获取所述目标众包用户对所述任务的调查结果；
打分单元，用于基于预设的打分孪生神经网络，对所述任务的调查结果进行打分，得到打分分值；
判断单元，用于判断所述打分分值是否大于阈值；
判定单元，用于若不大于，则确定需要对所述调查结果进行复核；若大于，则确定不需要对所述调查结果进行复核。
在一实施例中，上述打分单元具体用于：
获取与所述任务对应的标准任务；
将所述调查结果由所述打分孪生神经网络的一个输入端输入，将所述标准任务由所述打分孪生神经网络的另一个输入端输入，并基于所述打分孪生神经网络输出得到所述调查结果与所述标准任务之间的匹配度；
将所述匹配度作为对所述任务的调查结果的打分分值。
在一实施例中，上述派单孪生神经网络包括两个第一输入端，以及两个结构相同的第一特征提取模块、一个第一分类模块以及一个第一sigmoid层；
两个第一输入端分别用于输入任务标签向量以及个体标签向量，且每个所述第一输入端连接一个第一特征提取模块；
两个所述第一特征提取模块的结构均包括3层16维度全连接层、3层归一化层以及3层线性整流函数层，用于分别对所述任务标签向量以及个体标签向量进行特征提取；
所述第一分类模块为2维度全连接层，用于对两个所述特征提取模块的输出融合后进行特征提取；
所述第一sigmoid层用于对所述第一分类模块的输出特征进行匹配度计算。
在一实施例中，输入所述语义分类孪生神经网络的数据包括委托事项以及对应的标准任务；
所述语义分类孪生神经网络包括判断模块、两个词嵌入层、两个BERT层、两个结构相同的第二特征提取模块、一个第二分类模块以及一个第二sigmoid层；每个词嵌入层连接一个第二特征提取模块；
其中，一个所述词嵌入层以及一个BERT层分别用于输入所述委托事项，所述委托事项经过词嵌入层提取词向量后输入至对应的所述第二特征提取模块，得到第一特征，且所述委托事项经过所述BERT层的特征提取之后得到第二特征，所述第一特征与所述第二特征进行特征融合得到第一融合特征；
另一个所述词嵌入层以及另一个BERT层分别用于输入所述标准任务；所述标准任务经过词嵌入层提取词向量后输入至对应的所述第二特征提取模块，得到第三特征，且所述标准任务经过所述BERT层的特征提取之后得到第四特征，所述第三个字与所述第四特征进行特征融合得到第二融合特征；
所述第二分类模块用于对所述第一融合特征以及所述第二融合特征再次融合后，进行特征提取；
所述第二sigmoid层用于对所述第二分类模块的输出特征进行匹配度计算；
所述判断模块用于判断所述匹配度是否大于预设值，若匹配度大于预设值，则判定所述委托事项中包括所述标准任务。
在本实施例中，两个所述第二特征提取模块的结构均包括3层16维度全连接层、3层归一化层以及3层线性整流函数层，所述第二分类模块为2维度全连接层。
在本实施例中，上述任务分配装置中各个单元的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。
参照图5，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储任务、调查结果等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种任务分配方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种任务分配方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
综上所述，为本申请实施例中提供的任务分配方法、装置、计算机设备和存储介质，获取待分配任务集合中各任务的标签信息，并基于所述标签信息生成各个所述任务的任务标签向量；获取各个众包用户的个体标签信息，并基于各个所述个体标签信息生成各个所述众包用户的个体标签向量；将每个所述任务标签向量与每个所述个体标签向量分别由不同的输入端输入至预设的派单孪生神经网络中，计算得到所述任务与每个所述众包用户的匹配度；确定出与所述任务对应的匹配度最高的众包用户作为目标众包用户；将所述任务分配至对应的所述目标众包用户进行调查。本申请通过派单孪生神经网络计算得到与任务最匹配的众包用户，从而实现精准分配任务，提高效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种任务分配方法，其特征在于，包括以下步骤：
获取待分配任务集合中各任务的标签信息，并基于所述标签信息生成各个所述任务的任务标签向量；
获取各个众包用户的个体标签信息，并基于各个所述个体标签信息生成各个所述众包用户的个体标签向量；
将每个所述任务标签向量与每个所述个体标签向量分别由不同的输入端输入至预设的派单孪生神经网络中，基于所述派单孪生神经网络计算得到所述任务与每个所述众包用户的匹配度；其中，所述预设的派单孪生神经网络包括两个输入端；
确定出与所述任务对应的匹配度最高的众包用户作为目标众包用户；
将所述任务分配至对应的所述目标众包用户进行调查。
2.根据权利要求1所述的任务分配方法，其特征在于，所述获取待分配任务集合中各任务的标签信息的步骤之前，还包括：
接收发单数据；所述发单数据包括图片数据以及文本数据，所述文本数据中包括委托事项；
基于OCR系统对所述图片数据进行识别得到识别结果，并基于随机森林模型从所述识别结果中识别得到第一任务集合；
基于预设的语义分类孪生神经网络对所述文本数据中的委托事项进行识别，得到第二任务集合；其中，所述语义分类孪生神经网络基于孪生神经网络训练得到；输入所述语义分类孪生神经网络的数据包括委托事项以及对应的标准任务；
将所述第一任务集合与所述第二任务集合进行合并，并进行去重处理，得到所述待分配任务集合。
3.根据权利要求1所述的任务分配方法，其特征在于，所述将所述任务分配至对应的所述目标众包用户进行调查的步骤之后，包括：
获取所述目标众包用户对所述任务的调查结果；
基于预设的打分孪生神经网络，对所述任务的调查结果进行打分，得到打分分值；
判断所述打分分值是否大于阈值；
若不大于，则确定需要对所述调查结果进行复核；若大于，则确定不需要对所述调查结果进行复核。
4.根据权利要求3所述的任务分配方法，其特征在于，所述基于预设的打分孪生神经网络，对所述任务的调查结果进行打分，得到打分分值的步骤，包括：
获取与所述任务对应的标准任务；
将所述调查结果由所述打分孪生神经网络的一个输入端输入，将所述标准任务由所述打分孪生神经网络的另一个输入端输入，并基于所述打分孪生神经网络输出得到所述调查结果与所述标准任务之间的匹配度；
将所述匹配度作为对所述任务的调查结果的打分分值。
5.根据权利要求1所述的任务分配方法，其特征在于，所述派单孪生神经网络包括两个第一输入端，以及两个结构相同的第一特征提取模块、一个第一分类模块以及一个第一sigmoid层；
两个第一输入端分别用于输入任务标签向量以及个体标签向量，且每个所述第一输入端连接一个第一特征提取模块；
两个所述第一特征提取模块的结构均包括3层16维度全连接层、3层归一化层以及3层线性整流函数层，用于分别对所述任务标签向量以及个体标签向量进行特征提取；
所述第一分类模块为2维度全连接层，用于对两个所述特征提取模块的输出融合后进行特征提取；
所述第一sigmoid层用于对所述第一分类模块的输出特征进行匹配度计算。
6.根据权利要求2所述的任务分配方法，其特征在于，
所述语义分类孪生神经网络包括判断模块、两个词嵌入层、两个BERT层、两个结构相同的第二特征提取模块、一个第二分类模块以及一个第二sigmoid层；每个词嵌入层连接一个第二特征提取模块；
其中，一个所述词嵌入层以及一个BERT层分别用于输入所述委托事项，所述委托事项经过词嵌入层提取词向量后输入至对应的所述第二特征提取模块，得到第一特征，且所述委托事项经过所述BERT层的特征提取之后得到第二特征，所述第一特征与所述第二特征进行特征融合得到第一融合特征；
另一个所述词嵌入层以及另一个BERT层分别用于输入所述标准任务；所述标准任务经过词嵌入层提取词向量后输入至对应的所述第二特征提取模块，得到第三特征，且所述标准任务经过所述BERT层的特征提取之后得到第四特征，所述第三个字与所述第四特征进行特征融合得到第二融合特征；
所述第二分类模块用于对所述第一融合特征以及所述第二融合特征再次融合后，进行特征提取；
所述第二sigmoid层用于对所述第二分类模块的输出特征进行匹配度计算；
所述判断模块用于判断所述匹配度是否大于预设值，若匹配度大于预设值，则判定所述委托事项中包括所述标准任务。
7.根据权利要求6所述的任务分配方法，其特征在于，两个所述第二特征提取模块的结构均包括3层16维度全连接层、3层归一化层以及3层线性整流函数层，所述第二分类模块为2维度全连接层。
8.一种任务分配装置，其特征在于，包括：
第一获取单元，用于获取待分配任务集合中各任务的标签信息，并基于所述标签信息生成各个所述任务的任务标签向量；
第二获取单元，用于获取各个众包用户的个体标签信息，并基于各个所述个体标签信息生成各个所述众包用户的个体标签向量；
计算单元，用于将每个所述任务标签向量与每个所述个体标签向量分别由不同的输入端输入至预设的派单孪生神经网络中，基于所述派单孪生神经网络计算得到所述任务与每个所述众包用户的匹配度；其中，所述预设的派单孪生神经网络包括两个输入端；
确定单元，用于确定出与所述任务对应的匹配度最高的众包用户作为目标众包用户；
分配单元，用于将所述任务分配至对应的所述目标众包用户进行调查。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202011405908.2A 2020-12-02 2020-12-02 任务分配方法、装置、计算机设备和存储介质 Pending CN112529390A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011405908.2A CN112529390A (zh) 2020-12-02 2020-12-02 任务分配方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011405908.2A CN112529390A (zh) 2020-12-02 2020-12-02 任务分配方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN112529390A true CN112529390A (zh) 2021-03-19

Family

ID=74996962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011405908.2A Pending CN112529390A (zh) 2020-12-02 2020-12-02 任务分配方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112529390A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643143A (zh) * 2021-08-31 2021-11-12 平安医疗健康管理股份有限公司 基于人工智能的任务拆分方法、装置、设备及存储介质

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303262A (zh) * 2015-11-12 2016-02-03 河海大学 一种基于核主成分分析和随机森林的短期负荷预测方法
CN106973305A (zh) * 2017-03-20 2017-07-21 广东小天才科技有限公司 一种视频中不良内容的检测方法及装置
CN109636106A (zh) * 2018-11-07 2019-04-16 中国平安财产保险股份有限公司 基于数据处理的理赔案件分配方法、装置及计算机设备
CN109800320A (zh) * 2019-01-04 2019-05-24 平安科技（深圳）有限公司 一种图像处理方法、设备及计算机可读存储介质
CN109840287A (zh) * 2019-01-31 2019-06-04 中科人工智能创新技术研究院(青岛)有限公司 一种基于神经网络的跨模态信息检索方法和装置
CN109902901A (zh) * 2017-12-11 2019-06-18 广东智动力知识产权运营有限公司 任务分配方法、装置、存储介质和计算机设备
CN110163474A (zh) * 2019-04-12 2019-08-23 平安普惠企业管理有限公司 一种任务分配的方法及设备
CN110287484A (zh) * 2019-06-11 2019-09-27 华东师范大学 一种基于人脸特征的汉语文本描述人脸图像生成方法
CN110334885A (zh) * 2018-04-08 2019-10-15 腾讯大地通途（北京）科技有限公司 任务数据处理方法、装置
CN110413988A (zh) * 2019-06-17 2019-11-05 平安科技（深圳）有限公司 文本信息匹配度量的方法、装置、服务器及存储介质
CN110674804A (zh) * 2019-09-24 2020-01-10 上海眼控科技股份有限公司 文本图像的检测方法、装置、计算机设备和存储介质
CN110751376A (zh) * 2019-09-27 2020-02-04 奇安信科技集团股份有限公司 工单的分配调度方法、装置、计算机设备和存储介质
CN110930017A (zh) * 2019-11-19 2020-03-27 网易（杭州）网络有限公司 数据处理的方法及装置
CN111144699A (zh) * 2019-12-03 2020-05-12 杭州利伊享数据科技有限公司 一种任务及标签智能匹配方法
CN111178094A (zh) * 2019-12-20 2020-05-19 沈阳雅译网络技术有限公司 一种基于预训练的稀缺资源神经机器翻译训练方法
CN111241843A (zh) * 2018-11-29 2020-06-05 中国移动通信集团广东有限公司 基于复合神经网络的语义关系推断系统和方法
CN111681748A (zh) * 2020-06-11 2020-09-18 北京航空航天大学 基于智能视觉感知的医疗行为动作规范性评价方法
CN111783419A (zh) * 2020-06-12 2020-10-16 上海东普信息科技有限公司 地址相似度计算方法、装置、设备和存储介质
CN111859988A (zh) * 2020-07-28 2020-10-30 阳光保险集团股份有限公司 一种语义相似度评价方法、装置和计算机可读存储介质
CN111967488A (zh) * 2020-06-22 2020-11-20 南昌大学 一种基于孪生卷积神经网络的手机拍摄文本图像匹配方法
CN111985855A (zh) * 2020-09-11 2020-11-24 武汉空心科技有限公司 一种基于互联网平台的多角色任务分配系统及分配方法

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303262A (zh) * 2015-11-12 2016-02-03 河海大学 一种基于核主成分分析和随机森林的短期负荷预测方法
CN106973305A (zh) * 2017-03-20 2017-07-21 广东小天才科技有限公司 一种视频中不良内容的检测方法及装置
CN109902901A (zh) * 2017-12-11 2019-06-18 广东智动力知识产权运营有限公司 任务分配方法、装置、存储介质和计算机设备
CN110334885A (zh) * 2018-04-08 2019-10-15 腾讯大地通途（北京）科技有限公司 任务数据处理方法、装置
CN109636106A (zh) * 2018-11-07 2019-04-16 中国平安财产保险股份有限公司 基于数据处理的理赔案件分配方法、装置及计算机设备
CN111241843A (zh) * 2018-11-29 2020-06-05 中国移动通信集团广东有限公司 基于复合神经网络的语义关系推断系统和方法
CN109800320A (zh) * 2019-01-04 2019-05-24 平安科技（深圳）有限公司 一种图像处理方法、设备及计算机可读存储介质
CN109840287A (zh) * 2019-01-31 2019-06-04 中科人工智能创新技术研究院(青岛)有限公司 一种基于神经网络的跨模态信息检索方法和装置
CN110163474A (zh) * 2019-04-12 2019-08-23 平安普惠企业管理有限公司 一种任务分配的方法及设备
CN110287484A (zh) * 2019-06-11 2019-09-27 华东师范大学 一种基于人脸特征的汉语文本描述人脸图像生成方法
CN110413988A (zh) * 2019-06-17 2019-11-05 平安科技（深圳）有限公司 文本信息匹配度量的方法、装置、服务器及存储介质
CN110674804A (zh) * 2019-09-24 2020-01-10 上海眼控科技股份有限公司 文本图像的检测方法、装置、计算机设备和存储介质
CN110751376A (zh) * 2019-09-27 2020-02-04 奇安信科技集团股份有限公司 工单的分配调度方法、装置、计算机设备和存储介质
CN110930017A (zh) * 2019-11-19 2020-03-27 网易（杭州）网络有限公司 数据处理的方法及装置
CN111144699A (zh) * 2019-12-03 2020-05-12 杭州利伊享数据科技有限公司 一种任务及标签智能匹配方法
CN111178094A (zh) * 2019-12-20 2020-05-19 沈阳雅译网络技术有限公司 一种基于预训练的稀缺资源神经机器翻译训练方法
CN111681748A (zh) * 2020-06-11 2020-09-18 北京航空航天大学 基于智能视觉感知的医疗行为动作规范性评价方法
CN111783419A (zh) * 2020-06-12 2020-10-16 上海东普信息科技有限公司 地址相似度计算方法、装置、设备和存储介质
CN111967488A (zh) * 2020-06-22 2020-11-20 南昌大学 一种基于孪生卷积神经网络的手机拍摄文本图像匹配方法
CN111859988A (zh) * 2020-07-28 2020-10-30 阳光保险集团股份有限公司 一种语义相似度评价方法、装置和计算机可读存储介质
CN111985855A (zh) * 2020-09-11 2020-11-24 武汉空心科技有限公司 一种基于互联网平台的多角色任务分配系统及分配方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643143A (zh) * 2021-08-31 2021-11-12 平安医疗健康管理股份有限公司 基于人工智能的任务拆分方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN109165840B (zh) 风险预测处理方法、装置、计算机设备和介质
CN109086787B (zh) 用户画像获取方法、装置、计算机设备以及存储介质
CN109446302B (zh) 基于机器学习的问答数据处理方法、装置和计算机设备
CN108170759B (zh) 投诉案件处理的方法、装置、计算机设备及存储介质
CN109960725B (zh) 基于情感的文本分类处理方法、装置和计算机设备
US20210103695A1 (en) Object recognition and tagging based on fusion deep learning models
CN109543925B (zh) 基于机器学习的风险预测方法、装置、计算机设备和存储介质
CN108766545B (zh) 在线问诊科室分配方法、装置、计算机设备和存储介质
CN108491406B (zh) 信息分类方法、装置、计算机设备和存储介质
WO2020177365A1 (zh) 基于数据挖掘的社保数据处理方法、装置和计算机设备
CN108920677A (zh) 问卷调查方法、调查系统及电子设备
CN112015878A (zh) 处理智慧客服未回答问题的方法、装置及计算机设备
CN111192153B (zh) 人群关系网络构建方法、装置、计算机设备和存储介质
CN110135943B (zh) 产品推荐方法、装置、计算机设备和存储介质
CN113868391B (zh) 基于知识图谱的法律文书生成方法、装置、设备及介质
CN113112282A (zh) 基于客户画像处理咨诉问题的方法、装置、设备及介质
CN113888299A (zh) 风控决策方法、装置、计算机设备和存储介质
CN112652386A (zh) 分诊数据处理方法、装置、计算机设备及存储介质
CN114399396A (zh) 保险产品推荐方法、装置、计算机设备及存储介质
CN112529390A (zh) 任务分配方法、装置、计算机设备和存储介质
CN113762392A (zh) 基于人工智能的理财产品推荐方法、装置、设备及介质
CN113707304B (zh) 分诊数据处理方法、装置、设备及存储介质
CN113420116A (zh) 医疗文档的分析方法、装置、设备及介质
CN113033941A (zh) 客诉案件分配方法、装置、设备及存储介质
CN111898528A (zh) 数据处理方法、装置、计算机可读介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220523

Address after: 518000 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province

Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd.

Address before: Room 12G, Block H, 666 Beijing East Road, Huangpu District, Shanghai 200000

Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd.